Generated by Answer me with HTML 0.5.2 · 2026-10-20 13:37 · ★ Star on GitHub
Timestral 懶人包
Mistral 首個時間序列基礎模型家族，209M 參數三榜第一
Lead: 209M 參數，三個公開基準全部第一，CPU 可跑。HN 評價兩極：效率派叫好，實戰派質疑。
一句話看懂
- 模型
- Timestral，時間序列基礎模型家族
- 尺寸
- 5M ／ 28M ／ 123M ／ 209M，共四款
- 成績
- GIFT-Eval、TIME、fev-bench 三榜第一
- 速度
- 8 執行緒 CPU，5M 版 10 毫秒，209M 版 140 毫秒
- 輸出
- 機率式預測，21 個分位數
- 輸入
- 多變量目標，加上僅過去與已知未來共變量
- 授權
- 修改版 MIT，月營收超過 20M 美元即失權
- 取得
- GitHub 與 Hugging Face 皆可下載權重
四個技術亮點
- 解耦視界預測：歷史全部保留，預測 token 另行讀取，每個觀測值同時充當目標與上下文。
- 共變量注意力：目標因果遮罩，未來共變量全可見，資訊只流向目標。
- 合成資料優先：多數訓練資料為合成，先做單變量，再組多變量序列。
- 兩階段訓練：純合成資料預訓練，上下文 8192，再用真實加合成後訓練，上下文拉長四倍。
工業用法：從警報到診斷
HN 評價對照
| 陣營 | 立場 | 代表說法 |
|---|---|---|
| 效率派 | 叫好 | 幾個月工期變幾分鐘，開源權重 |
| 規模派 | 叫好 | 1 萬到 40 萬條序列下，逐條建模不現實 |
| 外部資訊派 | 質疑 | 真實預測力來自節假日、天氣與價格等外部資訊 |
| 實戰派 | 質疑 | 單序列 XGBoost 至今未被打敗 |
| 方法論派 | 質疑 | 高雜訊下誰都像最強，應附 naive baseline |
| 可觀測派 | 質疑 | 純黑箱給不出系統方程式 |
兩個爭議
授權條款值得細讀
修改版 MIT：公司全球月營收超過 20M 美元即失權。有人批評誤導，有人認為用到年收 2 億美元才付費很慷慨。
基準圖值得打折看
0.03 的分數差距在圖上看像 5 倍差。高雜訊過程下任何模型都像最強，凍結預測快照加 naive baseline 才有意義。